机器学习知到智慧树章节测试课后答案2024年秋三亚学院

机器学习知到智慧树章节测试课后答案2024年秋三亚学院第一章单元测试

下面哪句话是正确的（）

A:机器学习模型的精准度越高，则模型的性能越好

B:增加模型的复杂度，总能减小训练样本误差

C:其余选项说法都不对

D:增加模型的复杂度，总能减小测试样本误差

答案:增加模型的复杂度，总能减小训练样本误差

评估模型之后，得出模型存在偏差，下列哪种方法可能解决这一问题（）

A:向模型中增加更多的特征和增加更多的数据B:减少模型中特征的数量

C:增加更多的数据

D:其余选项全是

E:向模型中增加更多的特征

答案:向模型中增加更多的特征

以垃圾微信识别为例，TomMitchell的机器学习的定义中，任务T是什么？（）

A:T是垃圾微信

B:T是性能度量

C:T是识别

D:T是不必要条件

答案:T是识别

如何在监督式学习中使用聚类算法（）？

A:在应用监督式学习算法之前，可以将其类别ID作为特征空间中的一个额外的特征

B:首先，可以创建聚类，然后分别在不同的集群上应用监督式学习算法

C:在应用监督式学习之前，不能创建聚类

D:在应用监督式学习算法之前，不能将其类别ID作为特征空间中的一个额外的特征

答案:在应用监督式学习算法之前，可以将其类别ID作为特征空间中的一个额外的特征

；首先，可以创建聚类，然后分别在不同的集群上应用监督式学习算法

想要训练一个ML模型，样本数量有100万个，特征维度是5000，面对如此大数据，如何有效地训练模型（）？

A:尝试使用在线机器学习算法

B:对训练集随机采样，在随机采样的数据上建立模型

C:使用PCA算法减少特征维度

答案:尝试使用在线机器学习算法

；对训练集随机采样，在随机采样的数据上建立模型

；使用PCA算法减少特征维度

机器学习兴起于（）。

A:1990年

B:1960年

C:1970年

D:1980年

答案:1990年

；1980年

监督学习包括是（）。

A:聚类算法

B:分类

C:回归

D:关联算法

答案:分类

；回归

机器学习可以对电子商务产品评价进行好评与差评分类。（）

A:对B:错

答案:对机器学习必备知识包括数学基础、心理学基础、算法设计基础、商业模式基础。（）

A:错B:对

答案:错机器学习是一门多学科交叉专业，涵盖____、____、近似理论知识和复杂算法知识，使用计算机作为工具并致力于真实实时的模拟人类学习方式，并将现有内容进行知识结构划分来有效提高学习效率。

答案:0

第二章单元测试

关于k-NN算法，以下哪个选项是正确的？

A:可用于分类B:可用于回归C:可用于分类和回归

答案:可用于分类和回归k-NN算法在测试时间而不是训练时间上进行了更多的计算。

A:对B:错

答案:对假设算法是k最近邻算法，在下面的图像中，____将是k的最佳值。

A:50B:3C:20D:10

答案:10

一个kNN分类器，该分类器在训练数据上获得100％的准确性。而在客户端上部署此模型时，发现该模型根本不准确。以下哪项可能出错了？注意：模型已成功部署，除了模型性能外，在客户端没有发现任何技术问题

A:其余三个选项都不是B:不能判断C:可能是模型过拟合D:可能是模型未拟合

答案:可能是模型过拟合以下是针对k-NN算法给出的两条陈述，其中哪一条是真的？1、我们可以借助交叉验证来选择k的最优值2、欧氏距离对每个特征一视同仁

A:1和2都不是B:1C:1和2D:2

答案:1和2你给出了以下2条语句，发现在k-NN情况下哪个选项是正确的？1、如果k的值非常大，我们可以将其他类别的点包括到邻域中。2、如果k的值太小，该算法会对噪声非常敏感

A:1B:1和2都不是C:2D:1和2

答案:1和2在下图中，下列哪一个k值可以给出最低的留一法交叉验证精度？

A:5B:1C:3D:2

答案:2如果一个经过训练的机器学习模型在测试集上达到100%的准确率，这是否意味着该模型将在另外一个新的测试集上也能得到100%的准确率呢？

A:不行，因为还有一些模型不确定的东西，例如噪声B:是的，因为这个模型泛化能力已经很好了，可以应用于任何数据

答案:不行，因为还有一些模型不确定的东西，例如噪声关于K折交叉验证，下列说法正确的是？

A:其余选项都正确

B:选择合适的K值，能减小验方差C:K值并不是越大越好，K值过大，会降低运算速度；D:选择更大的K值，会让偏差更小，因为K值越大，训练集越接近整个训练样本

答案:其余选项都正确

第三章单元测试

下面有关决策树的描述，错误的是（）。

A:决策树易于理解和实现，人们在在学习过程中不需要使用者了解很多的背景知识，这同时是它的能够直接体现数据的特点，只要通过解释后都有能力去理解决策树所表达的意义

B:决策树是一种树形结构，其中每个内部节点表示一个属性上的测试，每个分支代表一个测试输出，每个叶节点代表一种类别

C:决策树(DecisionTree）是在已知各种情况发生概率的基础上，通过构成决策树来求取净现值的期望值大于等于零的概率，评价项目风险，判断其可行性的决策分析方法

D:对于决策树，数据的准备需要海量的，并且需要能够同时处理数据型和常规型属性，在相对短的时间内能够对大型数据源做出可行且效果良好的结果

答案:对于决策树，数据的准备需要海量的，并且需要能够同时处理数据型和常规型属性，在相对短的时间内能够对大型数据源做出可行且效果良好的结果

决策树的优点在于（）。

A:直观简洁

B:便于解决多阶段问题差

C:其余三方面均是

D:简化决策过程

答案:便于解决多阶段问题差

在决策树方法中，由决策节点引出的分支称为__，由自然状态节点引出的分支称为___。（）

A:决策分支、状态分支

B:方案分支、概率分支

C:方案分支、状态分支

D:决策分支、概率分支

答案:决策分支、概率分支

决策树一般不包括。（）

A:状态节点

B:结果节点

C:决策节点

D:时间节点

答案:时间节点

以下哪个领域不是决策树算法擅长的应用领域？（）

A:垃圾邮件分类

B:客户信用度分类

C:医疗诊断

D:机器视觉

答案:机器视觉

决策树的构成要素包括：（）？

A:概率枝

B:状态节点

C:决策点

D:方案枝

答案:概率枝

；状态节点

；决策点

；方案枝

在决策树剪枝中，常用的后剪枝法有：（）？

A:REP错误率降低剪枝法

B:TP阈值剪枝法

C:PEP悲观剪枝法

D:CCP代价复杂度剪枝法

答案:REP错误率降低剪枝法

；PEP悲观剪枝法

；CCP代价复杂度剪枝法

决策树特征选择准则较常采用的三种指标是：（）？

A:信息增益（InformationGain）

B:基尼指数（GiniIndex)

C:信息熵（Informationentropy）

D:信息增益率（InformationGainRatio）

答案:信息增益（InformationGain）

；基尼指数（GiniIndex)

；信息增益率（InformationGainRatio）

决策树的学习过程主要包括：（）？

A:特征选择

B:决策树的生成

C:数据清洗

D:决策树的剪枝

答案:特征选择

；决策树的生成

；决策树的剪枝

如果决策树过度拟合训练集，那么可以适当降低max_depth值，因为这样会限制模型，使其正则化。（）

A:错B:对

答案:对绘制决策树时，节点上的数字为此方案的损益期望值。（）

A:对B:错

答案:对ID3决策树学习算法是以为准则来划分的属性的。____

答案:信息增益C4.5决策树学习算法是以为准则来划分的属性的。____

答案:0CAR决策树学习算法是以为准则来划分的属性的。____

答案:0

第四章单元测试

p1(x,y)属于类别R，p2(x,y)属于类别B,一个新数据点(x1,y1)，可以用下面的规则来判断它的类别（）。

A:如果p1(x1,y1)＜p2(x1,y1)，那么类别为R

B:如果p1(x1,y1)＞p2(x1,y1)，那么类别为B

C:如果p1(x1,y1)＜p2(x1,y1)，不清楚

D:如果p1(x1,y1)＞p2(x1,y1)，那么类别为R

答案:如果p1(x1,y1)＞p2(x1,y1)，那么类别为R

在PYTHON中实现中文商品评价词条向量应用（）。

A:分词函数jieba

B:分词函数jieba，再做向量化格式

C:直接使用

D:根据在字典中存在情况转化为0和1

答案:分词函数jieba，再做向量化格式

朴素贝叶斯中的朴素一词的来源就是（）

A:牺牲一定的分类准确率

B:假设各特征之间相互独立

C:使得朴素贝叶斯算法变得简单

D:一般的意思

答案:牺牲一定的分类准确率

；假设各特征之间相互独立

；使得朴素贝叶斯算法变得简单

朴素贝叶斯算法优缺点包括（）。

A:数据集属性之间是相互独立情况下，会导致分类的效果大大降低

B:数据集属性之间是相互独立情况下，算法的逻辑性十分简单

C:数据集属性之间是相互独立情况下，对于不同类型的数据集不会呈现出太大的差异性

D:数据集属性之间是相互独立情况下，算法较为稳定

答案:数据集属性之间是相互独立情况下，算法的逻辑性十分简单

；数据集属性之间是相互独立情况下，对于不同类型的数据集不会呈现出太大的差异性

；数据集属性之间是相互独立情况下，算法较为稳定

朴素贝叶斯算法工程应用分为三个阶段（）

A:计算概率阶段

B:朴素贝叶斯分类器构建与训练学习

C:部署与应用阶段

D:数据准备阶段

答案:朴素贝叶斯分类器构建与训练学习

；部署与应用阶段

；数据准备阶段

全概率公式解决的是由果索因的问题。（）

A:错B:对

答案:错将数据表格中数据进行预处理，转化为0、1格式，便于算法计算。（）

A:错B:对

答案:对拉普拉斯平滑(LaplaceSmoothing)是比较常用的平滑方法，是为了解决0概率问题。（）

A:对B:错

答案:对P（购买|特征）=

P（

|

）*P（

）/

P（

）

____、____、____、____。

答案:P(特征|购买)、P(购买)、P(特征)、P(购买)词袋模型是为了解决商品各段评价文档中可能有重复单词，每遇到一个单词，增加词向量中对应值，采用____的方法实现。

答案:0在相应小数位置进行四舍五入乘法运算中，计算结果可能就变成____。为了避免下溢出或者浮点数舍入导致的错误问题，对乘积结果取____方法。

答案:0

第五章单元测试

线性回归要求因变量符合正态分布？（）

A:错B:对

答案:对线性回归参数的求解方法有几类，分别是什么？

答案:两类，分别为普通最小二乘法（OrdinaryLeastSquares,OLS）和梯度下降法（GradientDescent）。下列关于线性回归说法错误的是（）

A:线性回归的前提假设之一是残差必须服从独立正态分布

B:在现有模型上，加入新的变量，所得到的R^2的值总会增加

C:残差的方差无偏估计是SSE/(n-p)

D:自变量和残差不一定保持相互独立

答案:自变量和残差不一定保持相互独立

在以下四个散点图中。其中适用于做线性回归的散点图为

A:3和4B:1和3C:1和2

D:2和3

答案:1和3下列变量中，属于负相关的是

A:收入增加，支出增加B:产量增加，生产费用增加C:收入增加，储蓄额增加D:价格下降，消费增加

答案:价格下降，消费增加二次多项式回归，x的列数为2，则执行如下程序后，polynomial=PolynomialFeatures(degree=3)x_transformed=polynomial.fit_transform(x)x_transformed的列数为

A:4B:5C:2D:3E:6F:1

答案:5逻辑回归主要用来做回归吗？

A:是B:否

答案:否逻辑回归能否解决多分类问题？

A:是B:否

答案:是下列关于梯度下降法说法正确的是

A:梯度下降法就是不断地更新w和b的导数值

B:梯度下降法就是不断地更新和调整学习率

C:梯度下降法就是不断寻找损失函数的最大值

D:梯度下降法就是不断地更新w和b的值

答案:梯度下降法就是不断地更新w和b的值

逻辑回归中采用以下哪种方法来调整参数？

A:最大似然法B:杰卡德距离C:最小二乘法

答案:最大似然法

第六章单元测试

对于常用在高斯核的支持向量分类，参数gamma对分类效果有影响，图1、图2和图3是不同gamma值g1、g2、g3对应的分类结果，则关于g1、g2、g3大小下列说法正确的是

（）。

A:g1＜g3＜g2

B:g1＞g2＞g3

C:g1＞g3＞g2

D:g1＜g2＜g3

答案:g1＜g3＜g2

线性SVM和一般线性分类器的区别主要是:（）。

A:训练误差通常较低

B:是否能处理线性不可分问题

C:是否进行了空间映射

D:是否确保间隔最大化

答案:是否确保间隔最大化

假设超平面为w*x+b=0,其间隔(margin)的大小为:（）

A:1/||w||

B:|b|/||w||

C:2/||w||

D:2|b|/||w||

答案:2/||w||

求解线性SVM优化问题时，为什么要通过求解原始问题的对偶问题来获得原始问题的最优解？（）。

A:对偶问题等价于原始问题

B:对偶问题更容易理解

C:能自然地引入核函数，进而高效地解决高维非线性分类问题

D:对偶问题往往更容易求解

答案:能自然地引入核函数，进而高效地解决高维非线性分类问题

；对偶问题往往更容易求解

为什么通常要选择margin最大的分类器?()

A:训练误差最低

B:所需的支持向量个数最少

C:计算复杂度最低

D:有望获得较低的测试误差

答案:有望获得较低的测试误差

如果训练集有上千万个实例和几百个特征，应该使用SVM原始问题来训练模型。（）

A:对B:错

答案:对通过求解线性可分SVM的拉格朗日对偶问题，可以得出所有样本对应的拉格朗日乘子，其中支持向量是对应的样本点。（）

A:对B:错

答案:错硬间隔SVM存在对对离群点敏感的弱点，因此引入软间隔SVM，硬间隔SVM可以看作软间隔SVM一种特例。（）

A:错B:对

答案:对对于任意的数据，核函数一定存在。（）

A:对B:错

答案:错对于常用在高斯核的SVC，参数gamma对分类效果的影响gamma值越大，则模型越倾向于出现过拟合的问题。（）

A:错B:对

答案:对

第七章单元测试

Adaboost是一种迭代算法，其核心思想是针对同一个训练集训练不同的分类器(弱分类器)，然后把这些弱分类器集合起来，构成一个更强的最终分类器（强分类器）。（）

A:对B:错

答案:对Adaboost方法不仅可以用于设计弱分类器，还可以用于设计弱预测器。（）

A:对B:错

答案:错相较于与BP神经网络的弱分类器，基于Adaboost强分类器的分类模型可以具有更高的分类准确率。（）

A:对B:错

答案:对Adaboost算法在样本训练集使用过程中，对其中的关键分类特征集进行多次挑选，逐步训练分量弱分类器，用适当的阈值选择最佳弱分类器，最后将每次迭代训练选出的最佳弱分类器构建为强分类器。（）

A:错B:对

答案:对Aadboost算法系统具有较高的检测速率，但是容易出现过拟合现象。（）

A:错B:对

答案:错以下哪些内容是Adabosst权值更新方法。（）

A:计算弱分类器的权值；

B:集合多个弱分类器成一个最终的强分类器。

C:找到误差最小的弱分类器；

D:更新下一轮样本的权值分布；

E:初始化权值分布；

答案:计算弱分类器的权值；

；集合多个弱分类器成一个最终的强分类器。

；找到误差最小的弱分类器；

；更新下一轮样本的权值分布；

；初始化权值分布；

AdaBoost中基础分类器的权重设置策略存在的问题有()。

A:不能保证是最优解B:不能根据测试样本进行自适应调整

C:需要用户进行手工设置D:计算复杂

答案:不能保证是最优解；需要用户进行手工设置；计算复杂集成学习（ensemblelearning）通过构建并结合多个学习器（learner）来完成学习任务，目前集成学习主要分为两大类，以下哪些算法中个体学习器是串行序列化生成的。（）。

A:boostingB:baggingC:RandomForestD:Adaboost

答案:boosting；Adaboost

AdaBoost算法的优点有：（）。

A:adaboost是一种有很高精度的分类器。

B:当使用简单分类器时，计算出的结果是可以理解的。而且弱分类器构造极其简单。

C:可以使用各种方法构建子分类器，Adaboost算法提供的是框架。

D:简单，不用做特征筛选。

答案:adaboost是一种有很高精度的分类器。

；当使用简单分类器时，计算出的结果是可以理解的。而且弱分类器构造极其简单。

；可以使用各种方法构建子分类器，Adaboost算法提供的是框架。

；简单，不用做特征筛选。

由于AdaBoost是boosting的改进方法，而且性能比较稳定，故在实际中一般都直接使用AdaBoost而不会使用原始的boosting。（）

A:错B:对

答案:对

第八章单元测试

如图是某个p值闵可夫斯基距离表示的单位圆，请问p的值为

（）。

A:p=2

B:p=∞

C:p=1

D:p=4

答案:p=1

使用k-means算法得到了三个聚类中心,分别是[1,2],[-3,0],[4,2],现输入数据X=[3,1],则X属于第几类（)。

A:3

B:不能确定

C:1

D:2

答案:3

以下关于经典的k-means聚类的说法哪个是错误的？（）

A:k-means的聚类结果和初始聚类中心点的选取有关

B:k-means聚类算法是全局收敛的

C:k-means聚类算法的时间复杂度是O(NKT)，其中N为样本个数，K为聚类团数量，T为迭代次数

D:k-means聚类算法无法自动确定聚类团数量

答案:k-means聚类算法是全局收敛的

关于K-means的说法正确的有()。

A:K值的选取往往需要依靠经验或者数据集的情况来确定。

B:该算法不会存在陷入局部极值的情况

C:初始化聚类中心时,一定要将各个聚类中心的坐标设置为相同的值

D:K-means算法属于层次聚类。

答案:K值的选取往往需要依靠经验或者数据集的情况来确定。

对一组无标签的数据,使用不同的初始化值运行k-mens算法50次,如何评测这50次聚类的结果哪个最优()。

A:需要获取到数据的标签才能评测。

B:暂无方法。

C:最后一次运行结果最优。

D:优化目标函数值最小的一组最优

答案:需要获取到数据的标签才能评测。

在市场营销中,聚类最有可能帮助经营者()。

A:进行商品推荐。

B:对客户群进行划分。

C:辅助商品定价

D:识别优质客户

答案:对客户群进行划分。

聚类算法中通常使用某种形式的距离来定义“相似度”，但相似度度量不一定满足距离度量的所有基本性质。（）

A:错B:对

答案:对K-means++算法是针对新的质心选取方式问题的改进。（）

A:错B:对

答案:错所有聚类算法都是基于某种距离的。（）

A:错B:对

答案:错聚类属于无监督学习，其样本数据无需标注信息，因此有标注信息对聚类算法无帮助。（）

A:错B:对

答案:错

第九章单元测试

Apriori算法的优点是容易编码实现。（）

A:对B:错

答案:对Apriori算法的缺点是在速度可能较慢。（）

A:对B:错

答案:错标称型数据的特点是（）

A:互斥B:无序C:可区分大小

D:有类别

答案:互斥；无序；有类别下列哪类数据是标称型数据（）

A:胖瘦B:性别

C:高矮D:肤色

答案:性别

；肤色关联分析是从大规模数据集中寻找物品间的隐含关系。（）

A: